Cuando un pronóstico de demanda falla, lo peor es discutir de quién es la culpa. He visto esa discusión en almacén tras almacén: planificación culpa al sistema, el equipo de sistemas culpa a los datos sucios, y mientras tanto las estanterías se quedan vacías y el stock lento sigue acumulándose. Mi veredicto, por adelantado: la mayoría de los fallos de pronóstico se pueden rastrear hasta los datos o hasta el modelo con cuatro comprobaciones, y gastar dinero en el equivocado es peor que no gastar nada.
Pronóstico de demanda inexacto: cuatro comprobaciones que distinguen los datos del modelo
Allá por 2021 trabajaba con un almacén de terceros a las afueras de Los Ángeles, y un cliente de artículos para el hogar cayó de lleno en la trampa clásica. Dos semanas antes del Black Friday, el pronóstico decía que una lámpara de mesa vendería unas 800 unidades al día, así que el almacén almacenó y dotó personal para esa cifra. El primer día de la oferta apenas se movieron 300 unidades. El segundo día, se agotó — porque el pico real se concentró en las primeras 48 horas de la promoción, y el pronóstico había repartido ese volumen de forma uniforme a lo largo de toda la semana. El análisis posterior encontró dos culpables compartiendo la culpa: el modelo se alimentaba con historia agregada por semanas, así que nunca podía ver el pico inicial, y los datos de la promoción del año anterior no registraban que el cliente había cambiado el precio a mitad del evento. Un hueco en los datos, un grano equivocado en el modelo. Las cifras que siguen son una estimación ilustrativa: esa sola categoría terminó la semana con un exceso de existencias de aproximadamente el 40%, y el remanente tardó más de dos meses en liquidarse.
Hay una forma tonta y fiable de hacer el diagnóstico. Primero, mira la historia misma: ¿hay huecos en los registros de ventas, están etiquetadas las promociones, están las devoluciones y los traslados mezclados con las ventas? Segundo, mira la granularidad: ¿el pronóstico es diario o semanal, por SKU individual o agregado por categoría? Tercero, mira las variables externas: precio, promoción, estacionalidad, cambios de canal — ¿están realmente en el modelo, o solo está proyectando las cifras del año pasado hacia adelante? Cuarto, mira la cola: ¿el volumen está concentrado en unos pocos SKU principales o repartido en una larga cola?
| Síntoma | Más probable | Qué comprueba primero el almacén |
|---|---|---|
| Cada promoción revienta el pronóstico | Datos: promociones y cambios de precio nunca registrados | Si los archivos de promociones y los registros de cambios de precio están completos |
| Bien casi todo el año, mal en cada cambio de temporada | Modelo: la estacionalidad no está captada | Si los factores estacionales se calculan o se estiman a mano |
| SKU principales bien, larga cola pura conjetura | Modelo: la larga cola no se puede modelar SKU por SKU | Si los SKU de cola deberían pronosticarse por grupos |
| El mismo SKU preciso un mes, desviado al siguiente | Datos: los plazos de entrega y las recepciones son un desastre | Si los plazos de entrega de compras reflejan la realidad |
Los problemas de datos tardan en arreglarse y el arreglo dura. Los problemas de modelo se cambian rápido y es fácil empeorarlos. Mi regla es arreglar primero los datos: un buen modelo corriendo sobre datos sucios es como pescar en aguas sucias.
Cuando el pronóstico de demanda falla, qué hace el almacén
Un pronóstico va a fallar. Esa es la premisa, no el accidente. La verdadera habilidad del almacén no es hacer el pronóstico perfecto; es no quedarse sin stock ni inundar el piso cuando el pronóstico falla. En 2024 ayudé a un distribuidor de repuestos de automóvil a revisar su operación. Más del 70% de sus SKU eran artículos de larga cola, muchos vendiendo en un solo dígito al mes — ningún modelo puede pronosticar esos uno por uno con honestidad. Su respuesta no fue pelearse con el pronóstico, sino incorporar la red de seguridad en la política: los artículos de cola se almacenaban según las ventas reales de los últimos 90 días más un colchón dimensionado según el costo de una rotura de stock, mientras que solo los artículos principales seguían el pronóstico, revisado semanalmente. En la temporada alta de ese año, las roturas de stock de los artículos principales cayeron y el stock muerto de los artículos de cola dejó de crecer. Las cifras aquí son una estimación ilustrativa: mantener dos unidades extra de un artículo de cola cuesta unas pocas decenas de dólares; una rotura de stock puede costar todo el pedido. El almacén tiene que saber hacer esa cuenta.
La red de seguridad tiene cuatro puntos. Uno, deja de fijar el stock de seguridad con una sola regla para todo: gradúalo por categoría y por el costo de una rotura de stock — los artículos caros, urgentes e irremplazables reciben más cobertura; los baratos y fáciles de reponer, menos. Dos, acorta el ciclo de reposición: cuanto menos confíes en el pronóstico, más a menudo repones, para que cada fallo cueste menos. Tres, usa líneas de activación en lugar de planes fijos: cuando las ventas reales se desvían del pronóstico más allá de un umbral, una persona interviene ahora, no en la revisión de la próxima semana. Cuatro, deja una puerta abierta a las anulaciones manuales — el equipo de piso conoce las promociones y los cambios de clientes antes que cualquier sistema — y registra cada anulación para poder ver después quién tenía razón.
Aquí está la parte contraintuitiva: cuando los pronósticos no son fiables, mantener un poco de stock extra a veces es más barato que comprar un modelo mejor. No te estoy diciendo que acumules. Te estoy diciendo que lo sopeses. El estudio de 2026 de IHL Group sobre la distorsión de inventario sitúa las pérdidas globales por roturas de stock y exceso de existencias en aproximadamente $1.7 trillion, alrededor del 6.2% de las ventas minoristas totales — las roturas de stock representan el 65.6% de esa cifra, y las estanterías vacías por sí solas cuestan alrededor de $690.9 billion. Y el 78% de los minoristas se enfrenta a inventarios inexactos semanal o mensualmente. El costo de una rotura de stock es real, y también lo es el costo de una actualización del modelo. Pon ambos en la balanza antes de decidir.
La pregunta de la IA: qué cuesta antes de qué ahorra
Entonces, el pronóstico con IA. Sí, puede consumir más variables: promociones, clima, elasticidad de precios. Pero cada solución tiene dos caras, y esta no es la excepción: el costo real no es la compra del software, es preparar los datos y mantenerlos después. Alimenta a una IA con datos sucios — promociones sin etiquetar, plazos de entrega obsoletos — y obtendrás resultados sucios, solo que mejor vestidos.
Júzgalo con una regla: el MAPE. Las líneas de referencia de uso común son menos del 10% excelente, 10–20% bueno, 20–35% típico, y por encima del 35% significa que algo necesita investigación. Mide primero dónde estás. Si tus categorías principales ya se sitúan en la banda del 10–20%, exprimir unos puntos más con IA probablemente no se pagará solo. Si estás atascado por encima del 35%, revisa los datos antes de comprar nada — por encima del 35% suele ser un problema de datos, y la IA no lo rescatará. Y mide el ROI correctamente: no "cuánto más preciso es el pronóstico", sino "cuántas menos roturas de stock, cuánto menos inventario retenido, cuánta menos mano de obra de reposición de emergencia". Esas tres cosas juntas son el retorno real. Una estimación ilustrativa: un almacén que realiza una docena de traslados de emergencia al mes, cada uno quemando medio día de mano de obra más flete urgente, a menudo ahorra más reduciendo esos que recortando unos puntos del MAPE.
Un consejo más: no creas el argumento de que la IA significa no humanos. He visto demasiados equipos entregar el pronóstico por completo al sistema, dejar de mirar los números, y descubrir dos meses después que el modelo se había desviado silenciosamente. La IA calcula más rápido. No asume responsabilidad. La persona que camina por el piso todavía lo hace.
Un pronóstico fallido no es el desastre. No saber por qué falló, y no tener nada para amortiguar el fallo, sí lo es. Distingue datos de modelo, construye la red de seguridad, y solo entonces habla de IA. ¿En qué paso está atascado tu almacén?
Por Lao Mi, veterano de la cadena de suministro (20 yrs)
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.






